Jan, 2023

基于启发式搜索的通用规划：利用对象指针的新规划搜索空间

PDF
TL;DR本研究提出了一种新的基于指针的 GP 解空间、评估和启发式函数，以及 BFGP 算法，为了实现 GP 的启发式搜索，避免了提前 grounding state 或 action 所带来的问题，能有效处理大型状态变量集合和大量数值域的情况。
generalized planningheuristic searchsolution spaceevaluation functionbest-first generalized planning
发现论文，激发创造
  • 计算通用规划的启发式搜索程序

    本文针对广义规划领域，在引入启发式搜索方法的前提下，提出首个本地启发式搜索方法，定义基于程序的解空间，以实现不同实例规划和不同实例规划大小的独立运行，同时定义 BFGP 算法进行最佳优先搜索，并由不同评估和启发式功能作为指导。

    May, 2022

  • 利用路径标志将广义规划扩展为启发式搜索

    本文提出了一种用于广义规划的地标计数启发式算法，可以考虑规划实例中未显式表示的子目标信息，进一步提升启发式搜索的效率和实现。

    May, 2022

  • 用策略梯度学习经典规划策略

    引入一种新的搜索框架来解决规划问题，该框架能够在解决特定规划问题时在几种前向搜索方法之间交替使用，使用可训练的随机策略来选择搜索方法，进而优化搜索策略，实验结果表明该框架优于传统的最佳优先搜索和均匀策略方法。

    Oct, 2018

  • 泛化规划中的新颖性和提升型有用动作

    介绍了基于规划程序的行动新颖性排名概念以及新颖性优化的 GP 算法，采用基于最佳优先搜索 BFS（v） 和其渐进变体 PGP（v）的方法，引入来自行动方案的提高可行性行动，并提出了新的评估函数和结构化程序限制，以扩展搜索范围。经实验证明，新算法 BFS（v）和 PGP（v）在标准通用计划基准测试中优于现有算法。

    Jul, 2023

  • 面向广义规划的 C++ 程序表示与合成

    本文提出了基于 C++ 程序的广义规划（GP）问题及其解法的新型表示方法，该表示方法可以正式证明广义计划的终止，并指定其相对于世界对象数量的渐近复杂度。利用 C++ 广义计划的复杂度特征，可以应用组合搜索按照复杂度的顺序枚举可能的 GP 解的空间。实验结果表明，我们称之为 BFGP++ 的该方法的实现比以往的 GP 作为启发式搜索方法更加优越，用于表示为编译器风格程序的广义计划的计算。最后，C++ 程序在传统规划实例上的执行是无冗余和无搜索的，因此我们的 C++ 表示允许我们在数千个对象的大型测试实例上自动验证计算出的解决方案，而通用的经典规划器则会在预处理或搜索中卡住。

    Jun, 2022

  • 学习广义关系启发式网络进行模型无关规划

    利用深度神经网络学习适用于不同对象及数量的通用启发式方法，以解决当前计算复杂性问题所依赖的手工编码符号动作模型和启发式函数生成器效率不高的问题。实证评估表明，由此方法计算的通用启发函数可轻松应用于不同对象、数量显著大于训练数据的问题。

    Jul, 2020

  • 朝向学习领域独立规划启发式方法

    利用机器学习获取领域无关的启发式函数以提高自动规划在不同领域系统中的实际应用。

    Jul, 2017

  • 使用神经网络学习特定搜索空间启发式算法

    建议并评估了一种系统，该系统学习了一种用于基于正向搜索的满足经典规划的神经网络启发式函数。我们的系统从头开始学习目标估计器，并生成训练数据。通过反向回归搜索或通过反向搜索从给定或猜测的目标状态生成培训数据。

    Jun, 2023

  • 优化规划启发式算法，以排序而非估算目标开销

    本论文重新审视了启发式函数在规划中的模仿学习中的必要和充分条件，并针对给定的前向搜索算法的变体提出了一族基于排名的损失函数。另外，从学习理论的角度讨论了为什么优化成本 - 目标 h * 是不必要困难的。实验比较在多样化的问题集上明确地支持了得出的理论。

    Oct, 2023

  • 无监督从少量样本学习通用政策

    此研究提出了一种替代方法来计算更具表现力的通用策略，该方法不需要样本计划或 QNP 计划程序。该方法可以用机器学习中的标准术语来描述，通过定义来自规划示例中的谓词的大但有限的功能池，并寻找用于将 “好” 与 “坏” 状态转换和目标与非目标分开的一小部分功能。然后，这将作为单个组合优化问题一起解决，用加权最大满足问题来表示。

    Jan, 2021